CN117172371A - 一种风速和风向的预测方法及系统 - Google Patents

Abstract

本申请公开了一种风速和风向的预测方法及系统，方法包括：获取无人机传感器测得的目标测量数据，包括无人机的目标对地加速度、目标姿态以及目标电机转速；对目标测量数据进行数值优化，得到目标优化数据；将目标优化数据输入至预先构建的非线性扰动观测器，得到外界风力的目标三轴扰动力；将目标测量数据输入至经过预先训练的风况预测模型，得到第一预测风况数据；将目标三轴扰动力输入至经过预先训练的风况拟合模型，得到第二预测风况数据；第一预测风况数据包括第一预测风速和第一预测风向，第二预测风况数据包括第二预测风速和第二预测风向。本申请可以提高风况的预测精度并减少预测过程中运算资源的占用，可广泛应用于风况预测领域。

Description

一种风速和风向的预测方法及系统

技术领域

本申请涉及风况预测领域，尤其是一种风速和风向的预测方法及系统。

背景技术

目前无人机领域测量风速和风向的方案包括以下：(1)对于风速而言，测量装备例如三杯式风速传感器，这是一种最常见也最广泛使用的风速传感器，通常由三个杯子组成，固定在一个水平的轴上，当风吹过杯子时，杯子会转动，通过测量转速来计算风速，这种传感器通常比较简单且易于维护，广泛应用于气象观测。此外还有超声波风速传感器，这种传感器利用超声波的传播速度来测量风速。包括一个或多个超声波发射器和接收器，通过测量超声波在空气中传播的时间来计算风速。对于风向角度而言，风向的测量通常使用风向风标或风向传感器。风向风标：这是一种简单的风向测量方法，通常使用一个带有箭头的标志，箭头指示风的方向。风向风标通常安装在高处，使其不受地面障碍物的干扰。风向传感器：这种传感器通常包括一个带有风向标志的传感器，通过测量传感器中的风向标志的位置来确定风向。风向传感器可以采用多种技术，包括机械式、光电式、磁电式等。此外对于某个地区大范围的风场特征测量还有卫星、遥感、风廓线雷达等大型设备。(2)通过大数据计算的方法，通过数值模拟的方式对当前的风速和风向角建模。该方法从气象学中大气运动的湍流流动机理出发，基于大数据分析和数据驱动的建模技术，需要对被测试区域的风速信号进行大量的统计与分析，以此建立某个区域内的风况模型。(3)通过一些软件层面的方法，试图不借助传感器的力量，仅通过数学模型的方式将无人机与风速风向进行联系。例如借助空气动力学和刚体动力学方程，将无人机的自身状态通过数学模型这个桥梁，建立起无人机与气体流动模型的联系。具体地，如张添保提出的对无人机受风面进行受力分析。根据刚体动力学模型，旋翼在受到外界气流吹拂的情况下，其升力会随着外界气流发生变化，且升力变化的规律与风导致的阻力的变化规律基本相同。于是可根据无人机的动力学，建立起无人机刚体所受的合外力以及倾斜角度模型，将此外力解算出来，通过一定的数学拟合方式即可以得到三轴所受风的等效扰动力。

对于第(1)种方案，基于传感器的风速估计方法主要依赖于安装在无人机上的风速传感器，如皮托管、风速计等。这类方法的优点是测量准确比较简单，但是对于紧凑型的多旋翼无人机而言无法安装这类传感器，测量设备的安装占用无人机布局空间，只有特定改造的实验机型可以承载这些设备，极大降低了行业的经济效益。对于第(2)种方案，建立数据库或者使用大数据计算的方法，能够通过实时联网的方式获取各个地区大致的风况信息，需要消耗较多的算力，加重飞控运算负担。并且在网络不畅的情况下不具备实时动态的信息获取能力。而且只能对于某个地区的风场特征进行大致的推断，对于高精度定点风场的测量效果不好。对于第(3)种方案，通过当前稳定姿态的动力学方程，解算等效的风速与风向角。这种方式依赖于精确的飞行动力学模型才能减小误差，而实际系统往往存在着许多“黑盒”无法被建模出来。并且这种方式是一种“开环”的解法，没有反馈修正误差，并且随着误差的累计该方法的结果精度也会逐渐下降。

发明内容

有鉴于此，本申请提供一种风速和风向的预测方法及系统，以提高风速和风向的预测精度并减少预测过程中运算资源的占用。

本申请的一方面提供了一种风速和风向的预测方法，包括：

获取无人机传感器测得的目标测量数据；所述目标测量数据包括无人机的目标对地加速度、目标姿态以及目标电机转速；

对所述目标测量数据进行数值优化，得到目标优化数据；

将所述目标优化数据输入至预先构建的非线性扰动观测器，得到外界风力的目标三轴扰动力；

将所述目标测量数据输入至经过预先训练的风况预测模型，得到第一预测风况数据；

将所述目标三轴扰动力输入至经过预先训练的风况拟合模型，得到第二预测风况数据；

其中，所述第一预测风况数据包括第一预测风速和第一预测风向，所述第二预测风况数据包括第二预测风速和第二预测风向。

可选地，所述获取无人机传感器测得的目标测量数据；所述目标测量数据包括无人机的目标对地加速度、目标姿态以及目标电机转速，包括：

通过无人机的惯性测量单元获取无人机的加速度数据和所述目标姿态；

通过无人机的视觉系统和所述惯性测量单元对所述加速度数据进行融合，得到所述目标对地加速度；

根据无人机的数字电调协议获取所述目标电机转速。

可选地，所述对所述目标测量数据进行数值优化，得到目标优化数据，包括：

采用最小二乘法确定优化矩阵，当满足Rx-y最小的条件时，对应的第一表达式如下：

其中，R表示所述优化矩阵，x表示无人机的悬停加速度或电机转速向量，当x为悬停加速度时，y表示重力加速度，当x为电机转速向量时，y表示无人机重力；

获取预先测得的多组测量数据，每组测量数据包括对地加速度、姿态以及电机转速；

结合多组测量数据并采用随机梯度下降法对所述第一表达式进行最优化，根据第二表达式确定每一次优化过程中的损失并得到梯度对应的第三表达式，第二表达式为：

第三表达式为：

G＝2(Rx-y)x^T

每一次更新的优化矩阵为：

R＝R-lG

其中，G表示梯度，l表示学习率；

利用所述多组测量数据迭代求得梯度最小化时的优化矩阵，并将梯度最小化时的优化矩阵与悬停加速度或电机转速向量相乘，得到对应的优化值，相乘表达式如下：

其中，当x为悬停加速度时，表示优化后的对地加速度，当x为电机转速向量时，表示优化后的电机转速。

可选地，所述将所述目标优化数据输入至预先构建的非线性扰动观测器，得到外界风力的目标三轴扰动力，包括：

建立无人机的平移和旋转动力学的表达式，作为第四表达式：

建立无人机在外力作用下的动力学表达式，作为第五表达式：

其中，表示目标对地加速度，/>表示风向角度的一阶微分角速度，/>代表风向角度的二阶微分角加速度；m和J(η)分别表示无人机的质量和转动惯量矩阵；ρ表示无人机电机提供的推力，/>表示无人机电机提供的力矩；/>表示科氏力矩阵；R(η)表示无人机的姿态矩阵；e₃表示无人机机体坐标系z轴基准向量；g₀表示重力加速度系数；f_e和τ_e分别表示外界扰动的等效外力和外力矩；

将所述第四表达式和第五表达式变换为拉格朗日形式，得到第六表达式：

其中，q表示状态输入项，其包括x_b和η；表示系数项矩阵；/>表示控制输入项，包括ρ和/>

确定非线性扰动观测器的观测项，所述观测项为：

根据第六表达式和所述观测项确定无人机风扰动的三轴外力表达式与外力矩观测表达式；

所述三轴外力表达式为：

所述外力矩观测表达式为：

根据所述三轴外力表达式与外力矩观测表达式确定所述目标三轴扰动力。

可选地，所述方法还包括训练所述风况预测模型的步骤，所述训练所述风况预测模型的步骤包括以下步骤：

获取无人机传感器在不同风速和不同风向下测得的训练数据，所述训练数据包括无人机的训练对地加速度、训练姿态以及训练电机转速；

对所述训练数据进行数值优化，得到训练优化数据；

将所述训练优化数据转换为11维数据并作为训练样本，将第一训练预测风况数据作为训练标签，训练由单层全连接神经网络构建得到的风况预测模型，得到训练后的风况预测模型；

其中，所述11维数据由训练姿态的4维数据、训练电机转速的4维数据以及训练对地加速度的3维数据组成，所述第一训练预测风况数据为2维数据，由训练预测风速的1维数据和训练预测风向的1维数据组成。

可选地，所述方法还包括训练所述风况拟合模型的步骤，所述训练所述风况拟合模型的步骤包括以下步骤：

获取无人机传感器在不同风速和不同风向下测得的训练数据，所述训练数据包括无人机的训练对地加速度、训练姿态以及训练电机转速；

对所述训练数据进行数值优化，得到训练优化数据；

将所述训练优化数据输入至预先构建的非线性扰动观测器，得到外界风力的训练三轴扰动力；

将所述训练三轴扰动力作为3维数据输入至预先构建的风况拟合模型，在所述风况拟合模型中进行扰动力与风速的插值映射，并进行扰动力与风向的插值映射，训练所述风况拟合模型得到三轴扰动力与风速风向的函数映射关系，训练后的所述风况拟合模型输出第二训练预测风况数据，所述第二训练预测风况数据为2维数据，由训练预测风速的1维数据和训练预测风向的1维数据组成。

可选地，所述方法还包括：

将所述第一预测风况数据和/或所述第二预测风况数据发送至所述无人机的遥控终端，以供所述遥控终端对所述第一预测风况数据和/或所述第二预测风况数据在操作界面上进行可视化展示。

本申请的另一方面还提供了一种风速和风向的预测装置，包括：

第一单元，用于获取无人机传感器测得的目标测量数据；所述目标测量数据包括无人机的目标对地加速度、目标姿态以及目标电机转速；

第二单元，用于对所述目标测量数据进行数值优化，得到目标优化数据；

第三单元，用于将所述目标优化数据输入至预先构建的非线性扰动观测器，得到外界风力的目标三轴扰动力；

第四单元，用于将所述目标测量数据输入至经过预先训练的风况预测模型，得到第一预测风况数据；

第五单元，用于将所述目标三轴扰动力输入至经过预先训练的风况拟合模型，得到第二预测风况数据；

其中，所述第一预测风况数据包括第一预测风速和第一预测风向，所述第二预测风况数据包括第二预测风速和第二预测风向。

本申请的另一方面还提供了一种风速和风向的预测系统，包括无人机和遥控终端；

其中，所述无人机的顶端设置有机载电脑，所述机载电脑用于执行上述的一种风速和风向的预测方法；

所述无人机的下方设置有圆筒，所述圆筒与所述无人机重心处沿重力方向的轴线重合，所述圆筒与所述无人机连接的一端设置有多个螺丝孔，通过多个螺丝将所述圆筒固定连接在所述无人机的下方，所述圆筒的顶面和地面为光滑平面，整体为中空的圆柱体；

所述遥控终端用于响应于操作者并生成控制指令，进而根据所述控制指令控制所述无人机；所述遥控终端设置有操作界面，所述操作界面用于将所述遥控终端从所述机载电脑接收到的预测风速和/或预测风向进行可视化展示。

可选地，所述圆筒的侧面设置有网格状凹凸的图案，以增加风阻。

本申请的另一方面还提供了一种电子设备，包括处理器以及存储器；

所述存储器用于存储程序；

所述处理器执行所述程序实现上述的方法。

本申请的另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现上述的方法。

本申请提供的一种风速和风向的预测方法，先通过无人机获取目标对地加速度、目标姿态以及目标电机转速等目标测量数据，再对目标测量数据进行数值优化，得到目标优化数据；然后将目标优化数据输入至预先构建的非线性扰动观测器，得到外界风力的目标三轴扰动力；进而可以将目标测量数据输入至经过预先训练的风况预测模型，得到第一预测风况数据；将目标三轴扰动力输入至经过预先训练的风况拟合模型，得到第二预测风况数据；本申请提供的方法可以通过两种方式获取两种预测风况数据，提高了风况预测的精度，同时还无需在无人机上安装大量的测量设备，使得测量数据十分精简且有效，进而可以在风速预测过程中降低运算资源的占用。此外，本申请提供的一种风速和风向的预测系统中的无人机，其上安装少量的传感器，不需要额外安装任何多余测量设备，机载电脑即可根据传感器测得的目标测量数据进行精准的风况预测，而且由于减少了额外传感器的配重可以提高无人机的续航能力，因此本申请的系统能够在无人机执行任意飞行任务过程中，持长时间的实时高精度估算当前外界的风速与风向角。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种无人机的示例结构图；

图2为本申请实施例提供的一种圆筒的具体示例图；

图3为本申请实施例提供的一种圆筒的俯视图；

图4为本申请实施例提供的一种圆筒的正视图；

图5为本申请实施例提供的一种风速和风向的预测方法的流程示意图；

图6为本申请实施例提供的一种遥控终端操作界面对风况数据进行可视化的示例图；

图7为本申请实施例提供的一种预测风速和风向的整体示例流程图；

图8为本申请实施例提供的一种数据预处理的流程示意图；

图9为本申请实施例提供的一种神经网络预测网络的结构图及训练步骤的示意图；

图10为本申请实施例提供的一种函数映射关系的结构图及训练步骤的示意图；

图11为本申请实施例提供的一种遥控器接收风况数据的流程示意图；

图12为本申请实施例提供的另一种预测风速和风向的整体示例流程图；

图13为本申请实施例提供的一种风速和风向的预测装置的结构框图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。

说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

为了便于理解本申请实施例，在对本申请实施例进行详细说明之前，先对本申请实施例可能涉及到的关键词和相关技术进行说明。

四旋翼无人机集成度高，体积小，被广泛应用于遥感监测、航拍、灾后救援等人类很难涉足的区域，但这些区域通常都会伴随着强风或阵风的干扰，严重影响无人机的操作手感和任务执行，在某些情况下甚至导致无人机坠机，从而造成财产损失和人员损害。

现阶段四旋翼无人机实际飞行高度比较低，因此受到风扰的影响较大，由于系统本身的非线性，风扰会对飞机的高度和姿态造成一定的影响。当风速较小时，飞行控制系统(下称“飞控”)在受到一定程度的风扰后，能够通过自身的反馈控制系统调节姿态，保证无人机的平稳。但是，飞控所能够调节或者抵抗的风力范围是有一定范围的。当风速超过无人机能够承受的上限以后，飞控将难以维持。当风速超过无人机能够承受的上限，将难以维持无人机的稳定性。对于某些特种作业无人机而言，在特殊的环境下执行任务需要严格按照规定的路线以及固定的业务流程，出现失控或者炸机的现象会造成极大的经济损失。

因此，若是无人机在飞行过程中能够实时获取当前的外部环境风速和风向角(下称“风况”)，那么就能辅助操作人员判断当环境的情况，从而让无人机能够高效、安全地执行独立任务。这一工程背景下多旋翼无人机的风况估计算法有助于进一步拓展旋翼类型无人机的工作空间和应用领域，具备了经济价值和社会效应。

本申请实施例可以包括飞行平台的搭建、风速风向离线预测模型的训练、高机动在线估计算法、融合最小二乘法的风速风向估计算法验证。

在飞行平台选择方面，本申请实施例可以采用M300RTK无人机搭载风筒，在风洞中采集不同风场特征下的实验数据。

在离线风速风向估计算法的设计部分，除扰动观测器直接插值外，还创建了基于全连接神经网络的预测方法。

最后从工程的角度考虑，对整套算法采用优化算法，在搭建的无人机平台上进行实验验证。相较于传统的风估计方法，本申请具有以下优点：

1.无需额外的传感器，减轻无人机的负荷；

2.可在线实时估计风速，只需要机载电脑或者飞控的少量运算资源；

3.降低对气象条件的依赖，提高无人机在复杂环境下的适应能力。

本申请涉及利用无人机预测风速与风向，所涵盖的应用场景比较宽泛，可以应用于无人机的抗风扰动领域。

圆筒相关技术：无人机重心处沿重力方向的轴线上安装一个表面经过处理的圆筒，以增加风的阻力。一般表面处理的方法有以下：1.增加表面粗糙度：通过在物体表面增加纹路、凹凸或颗粒等特征，可以增加空气与物体表面的摩擦，从而增加风阻。例如，在车辆或飞行器的表面涂覆纹理涂层，或在建筑物的外墙表面使用粗糙材料；2.增加物体的棱角或边缘：在物体的表面形状上增加棱角或边缘，可以在空气流经物体时产生湍流，并增加阻力。例如，在车辆的车身、飞机的机翼或建筑物的外形上设计出突出的棱角或边缘；3.增加表面的凹凸结构：通过在物体表面增加凹凸结构，例如波纹、鳞片、凸起等，可以在空气流经物体时产生湍流，并增加阻力。

现有气象测量风速风向技术方案包括低空测量与高空测量：

对于低空的风速风向测量：

1.三杯式风速传感器：这是一种常见的风速传感器，通常由三个杯子组成，固定在一个水平的轴上。当风吹过杯子时，杯子会转动，通过测量转速来计算风速。这种传感器通常比较简单且易于维护，广泛应用于气象观测。

2.超声波风速传感器：这种传感器利用超声波的传播速度来测量风速。通常包括一个或多个超声波发射器和接收器，通过测量超声波在空气中传播的时间来计算风速。3.热线风速传感器：这种传感器基于热线的电阻随风速的变化而变化。当风吹过热线时，热线的温度会发生变化，通过测量温度的变化来计算风速。

3.风向的测量通常使用风向风标或风向传感器：

3.1风向风标：这是一种简单的风向测量方法，通常使用一个带有箭头的标志，箭头指示风的方向。风向风标通常安装在高处，使其不受地面障碍物的干扰。

3.2风向传感器：这种传感器通常包括一个带有风向标志的传感器，通过测量传感器中的风向标志的位置来确定风向。风向传感器可以采用多种技术，包括机械式、光电式、磁电式等。

对于高空的风速风向测量，对于高空风速和风向的测量，通常使用以下方法：

1.风探空仪：这是一种通过气球携带仪器到大气中，测量风速和风向的方法。风探空仪通常包括一个气象探空仪和一个气球。气象探空仪会通过测量其在空气中的位置变化来计算风速和风向。

2.风廓线雷达：这是一种通过雷达技术来测量大气中不同高度处风速和风向的方法。风廓线雷达通常会发射微波信号，然后通过接收回波信号来测量大气中的风速和风向。这种方法可以实现对大气中多个高度层的风速和风向进行连续监测。

3.卫星测风：卫星遥感技术可以通过测量地球表面的反射、散射、吸收等特性，获取大范围、全球范围内的风场信息。卫星遥感技术可以利用合成孔径雷达(SAR)等高分辨率传感器，实现对海面、地面和大气层中风场的测量。

现有风筒缺点：

尽管现有的低空和高空风速风向测量方法在气象观测中发挥了重要作用，但它们也存在一些缺点，包括：

1.依赖气象站网络：传统的低空风速和风向测量方法通常依赖于分布在地面上的气象站网络，这意味着测量结果可能受限于气象站的分布密度和地理分布。在一些偏远地区或复杂地形条件下，气象站的分布可能较为稀疏，导致风场的空间分辨率较低。

2.限制于地面和低空：传统的低空风速和风向测量方法通常只能在地面和低空范围内进行测量，而对于高空和大气中的上层风场的测量相对较为困难。对于高空和航空领域的风场监测需求，传统的低空测量方法可能无法满足要求。

3.操作和维护复杂：一些传统的风速和风向测量方法，如风探空仪和风廓线雷达，需要复杂的操作和维护，包括气球发射、设备校准和数据处理等。这可能需要专业技能和设备，增加了操作和维护的难度和成本。

4.受天气和环境条件影响：风速和风向测量通常受到天气和环境条件的影响，例如气象条件、大气湍流和地形效应等。这些因素可能导致测量结果的不确定性和偏差。

5.数据时空分辨率有限：现有的风速和风向测量方法在数据时空分辨率上可能存在一定的限制。例如，风探空仪通常在垂直方向上的分辨率较低，风廓线雷达在水平和垂直方向上的分辨率也可能受限，从而影响风场的精细度和时空监测能力。

相较于上述风速风向测量方法的缺点，本申请实施例使用的四旋翼无人机较为小巧轻便，易于携带和操作，使得四旋翼无人机在户外和室内应用中都非常灵活，可以方便地进行部署和操控，风险较低，其具备较强的编程和自动化能力，可以进行自主飞行、路径规划和任务执行，可以克服常规风速风向受限于气象站的分布密度和地理分布的缺点；使用的无人机具有卓越的载荷能力，最大起飞重量可达9.2公斤，可搭载多种专业级传感器和设备，配备了先进的飞控系统和四个高效的旋翼引擎，具有卓越的飞行性能，最大飞行速度可达每小时82公里，最大飞行高度可达5000米，飞行稳定且可靠，能适应复杂的环境和任务需求。搭载了可拆卸式大容量电池，提供了长达55分钟的最大飞行时间，较长的续航能力使其在需要长时间飞行或覆盖大面积区域的风速风向测量中非常有优势。具备多层次的安全性保护措施，包括自动防撞传感器、多层雷达、高精度定位系统等，提供了高度的安全性和可靠性保障。此外还具备自主飞行保护和智能避障功能，可在复杂环境中安全飞行。配备了智能化的操作系统和易于使用的遥控器，具有简便的操作界面和人性化的操作设计。同时，无人机还支持多种飞行模式和任务规划功能，使测量操作更加高效和灵活。这些优点可以突破常规风速风向测量限制于地面和低空、操作和维护复杂、受天气和环境条件影响和数据时空分辨率有限等限制，风速风向测量可以同时覆盖低空、高空区域，实现快速、精确、低成本的气象风速风向的测量。

此外，本申请在无人机下方安装一个圆筒，提高了无人机的迎风阻力，圆筒表面设计了特殊的网格，进一步增加风阻。圆筒的增加提高了系统整体对风检测的灵敏度，使得本申请提供的一种风速和风向的预测系统对风速与风向的预测更准确。

接下来，对本申请实施例提供的一种风速和风向的预测系统进行详细说明，该系统可以包括无人机和遥控终端。

参照图1，本申请实施例提供了一种无人机的示例结构图，其中，图1所示无人机中标注的1为机载电脑，2为圆筒。

具体地，所述无人机的顶端设置有机载电脑，所述机载电脑用于执行本申请实施例提供的一种风速和风向的预测方法；该方法将在下文进行详细说明。

所述无人机的下方设置有圆筒，所述圆筒与所述无人机重心处沿重力方向的轴线重合，所述圆筒与所述无人机连接的一端设置有多个螺丝孔，通过多个螺丝将所述圆筒固定连接在所述无人机的下方，所述圆筒的顶面和地面为光滑平面，整体为中空的圆柱体。

所述遥控终端用于响应于操作者并生成控制指令，进而根据所述控制指令控制所述无人机；所述遥控终端设置有操作界面，所述操作界面用于将所述遥控终端从所述机载电脑接收到的预测风速和/或预测风向进行可视化展示。

进一步地，所述圆筒的侧面设置有网格状凹凸的图案，以增加风阻。

可选地，圆筒与无人机结合一端可以设置有四个螺丝孔，通过四颗螺丝将圆筒固定安装在无人机下方，圆筒的具体示例图可以参照图2。

图3则示出了设置有四个螺丝孔的圆筒的俯视图，图4则是该圆筒的正视图。

本申请实施例的圆筒通在四周表面设置有网格状凹凸的图案，在实现增大风阻的同时，可以避免过多增加圆筒的重量和尺寸，进而使得圆筒更加轻便、紧凑，从而方便安装和拆卸，并且无人机飞行中不对其造成过多干扰。因此，通过在无人机下方安装圆筒，本申请实施例的无人机可以更加敏感地感知周围的风速和风向变化，可以提高预测系统测量风况数据的灵敏度，从而提高对风速和风向的预测灵敏度。

接下来，对本申请实施例提供的一种风速和风向的预测方法进行详细说明，该预测方法可以应用于上述的机载电脑，参照图5，该预测方法可以包括步骤S500至步骤S540，具体如下：

S500：获取无人机传感器测得的目标测量数据；所述目标测量数据包括无人机的目标对地加速度、目标姿态以及目标电机转速。

可选地，本申请实施例可以使用大疆的M300RTK作为本申请实施例的无人机，因此，先对大疆SDK开发工具进行说明，具体如下：

1.大疆Onboard SDK(OSDK)：大疆Onboard SDK是一款用于无人机控制和导航的软件工具包。它支持多种编程语言，包括C++、C#、Python和Unity等。开发人员可以使用这个SDK来编写和实现自己的无人机控制和导航算法，包括自主飞行、航线飞行、高度控制和飞行规划等。

大疆Onboard SDK提供了一些核心模块，如飞行控制模块、姿态估计模块和导航算法模块等。这些模块可以帮助开发人员更轻松地实现无人机的控制和导航功能，同时提高了应用程序的性能和稳定性。

如果需要调取大疆无人机底层传感器和飞控数据，则需要在机载电脑上使用Onboard SDK调取这些数据。

2.大疆Mobile SDK(MSDK)：大疆Mobile SDK是一款用于移动设备(如手机和平板电脑)上的应用程序开发工具包。它支持多种编程语言，包括C++、C#、Java和Unity等。开发人员可以使用这个SDK来创建和实现自己的无人机和航拍应用程序，包括实时视频流、航拍照片和视频编辑等。

大疆Mobile SDK提供了一些核心模块，如图像处理模块、位置传感器模块和移动网络通信模块等。这些模块可以帮助开发人员更轻松地实现移动设备上的无人机和航拍应用程序，同时提高了应用程序的性能和稳定性。

如果需要在Android系统或者IOS系统上查看或者控制大疆无人机，那么需要在手机或者平板上使用Mobile SDK查看、操控这些数据。

具体地，S500可以包括：通过在机载电脑上使用大疆软件在板开发包OSDK(Onboard Software Development Kit)获取无人机底层传感器测量的数据，测量数据可以包括无人机对地加速度、姿态以及电机转速。

进一步地，S500可以包括：

通过无人机的惯性测量单元获取无人机的加速度数据和所述目标姿态；

通过无人机的视觉系统和所述惯性测量单元对所述加速度数据进行融合，得到所述目标对地加速度；

根据无人机的数字电调协议获取所述目标电机转速。

S510：对所述目标测量数据进行数值优化，得到目标优化数据。

具体地，机载电脑可以对测量数据中的对地加速度和电机转速进行数值优化，得到优化数据，包括：对地加速度、姿态和电机推力。

进一步地，S510可以包括：

采用最小二乘法确定优化矩阵，当满足Rx-y最小的条件时，对应的第一表达式如下：

其中，R表示所述优化矩阵，x表示无人机的悬停加速度或电机转速向量，当x为悬停加速度时，y表示重力加速度，当x为电机转速向量时，y表示无人机重力；

获取预先测得的多组测量数据，每组测量数据包括对地加速度、姿态以及电机转速；

结合多组测量数据并采用随机梯度下降法对所述第一表达式进行最优化，根据第二表达式确定每一次优化过程中的损失并得到梯度对应的第三表达式，第二表达式为：

第三表达式为：

G＝2(Rx-y)x^T

每一次更新的优化矩阵为：

R＝R-lG

其中，G表示梯度，l表示学习率；

利用所述多组测量数据迭代求得梯度最小化时的优化矩阵，并将梯度最小化时的优化矩阵与悬停加速度或电机转速向量相乘，得到对应的优化值，相乘表达式如下：

其中，当x为悬停加速度时，表示优化后的对地加速度，当x为电机转速向量时，表示优化后的电机转速。

S520：将所述目标优化数据输入至预先构建的非线性扰动观测器，得到外界风力的目标三轴扰动力。

首先，对非线性扰动观测器(Nonlinear Disturbance Observer，简称NDOB)进行说明：非线性扰动观测器是在存在外部扰动和系统不确定性的情况下获得高性能鲁棒控制系统的一种算法，其可以在不影响系统性能的情况下，对反馈控制器增加了干扰抑制。NDOB的基本原理是将机器人运动状态和关节扭矩(无人机中为电机转矩)作为输入，然后通过一个观测项中估计施加控制系统上所有未知的内部和外部扭矩作为输出。相比于线性干扰观测器DOB(Disturbance Observer)，NDOB具有更好的鲁棒性和更高的精度，并且具有更好的可扩展性和更高的效率，因此在处理非线性干扰时更为有效。

具体地，机载电脑可以将优化后得到的数据输入至非线性扰动观测器，进而得到外界风力等效的目标三轴扰动力。

进一步地，S520可以包括：

建立无人机的平移和旋转动力学的表达式，作为第四表达式：

建立无人机在外力作用下的动力学表达式，作为第五表达式：

其中，表示目标对地加速度，/>表示风向角度的一阶微分角速度，/>代表风向角度的二阶微分角加速度；m和J(η)分别表示无人机的质量和转动惯量矩阵；ρ表示无人机电机提供的推力，/>表示无人机电机提供的力矩；/>表示科氏力矩阵；R(η)表示无人机的姿态矩阵；e₃表示无人机机体坐标系z轴基准向量；g₀表示重力加速度系数；f_e和τ_e分别表示外界扰动的等效外力和外力矩；

将所述第四表达式和第五表达式变换为拉格朗日形式，得到第六表达式：

其中，q表示状态输入项，其包括x_b和η；表示系数项矩阵；/>表示控制输入项，包括ρ和/>

确定非线性扰动观测器的观测项，所述观测项为：

根据第六表达式和所述观测项确定无人机风扰动的三轴外力表达式与外力矩观测表达式；

所述三轴外力表达式为：

/>

所述外力矩观测表达式为：

根据所述三轴外力表达式与外力矩观测表达式确定所述目标三轴扰动力。

进一步地，本申请实施例还可以包括(1)训练所述风况预测模型的步骤和(2)训练所述风况拟合模型的步骤，为了更清楚地理解S530和S540，在对S530和S540进行详细说明之前，对(1)训练所述风况预测模型的步骤和(2)训练所述风况拟合模型的步骤分别进行说明，具体如下：

(1)训练所述风况预测模型的步骤可以包括：

获取无人机传感器在不同风速和不同风向下测得的训练数据，所述训练数据包括无人机的训练对地加速度、训练姿态以及训练电机转速；

对所述训练数据进行数值优化，得到训练优化数据；

将所述训练优化数据转换为11维数据并作为训练样本，将第一训练预测风况数据作为训练标签，训练由单层全连接神经网络构建得到的风况预测模型，得到训练后的风况预测模型；

其中，所述11维数据由训练姿态的4维数据、训练电机转速的4维数据以及训练对地加速度的3维数据组成，所述第一训练预测风况数据为2维数据，由训练预测风速的1维数据和训练预测风向的1维数据组成。

(2)训练所述风况拟合模型的步骤可以包括：

获取无人机传感器在不同风速和不同风向下测得的训练数据，所述训练数据包括无人机的训练对地加速度、训练姿态以及训练电机转速；

对所述训练数据进行数值优化，得到训练优化数据；

将所述训练优化数据输入至预先构建的非线性扰动观测器，得到外界风力的训练三轴扰动力；

将所述训练三轴扰动力作为3维数据输入至预先构建的风况拟合模型，在所述风况拟合模型中进行扰动力与风速的插值映射，并进行扰动力与风向的插值映射，训练所述风况拟合模型得到三轴扰动力与风速风向的函数映射关系，训练后的所述风况拟合模型输出第二训练预测风况数据，所述第二训练预测风况数据为2维数据，由训练预测风速的1维数据和训练预测风向的1维数据组成。

具体地，上述训练两个模型的步骤可以是在机载电脑中离线实现的，离线训练的步骤可以包括：

1.无人机在风洞中保持悬停稳定状态，不断改变风的速度和无人机受风角度，机载电脑获取无人机在不同风况下的测量数据和三轴扰动力，以及对应的风况数据，风况数据包括风速和风向；

2.将测量数据作为11维输入特征，风况数据作为2维输出，通过单层全连接神经网络FCNN(Full Connect Neural Network)得到“优化数据-风速风向”网络模型，即风况预测模型。

3.将三轴扰动力作为3维输入特征，风况数据作为2维输出，通过插值方式得到“三轴扰动力-风速风向”函数映射关系，即风况拟合模型。

S530：将所述目标测量数据输入至经过预先训练的风况预测模型，得到第一预测风况数据；所述第一预测风况数据包括第一预测风速和第一预测风向。

S540：将所述目标三轴扰动力输入至经过预先训练的风况拟合模型，得到第二预测风况数据；所述第二预测风况数据包括第二预测风速和第二预测风向。

进一步地，本申请实施例还可以包括将预测得到的风况数据发送至遥控终端的步骤，该步骤包括：

将所述第一预测风况数据和/或所述第二预测风况数据发送至所述无人机的遥控终端，以供所述遥控终端对所述第一预测风况数据和/或所述第二预测风况数据在操作界面上进行可视化展示。

具体地，无人机操作者可以选择上述训练得到的风况预测模型或风况拟合模型进行风况预测，进而机载电脑可以将操作者选择的模型所预测得到的风况数据通过无人机中的MOP(Mobile-Onboard-Payload)模块发送给遥控终端，然后遥控终端可以在操作界面上显示风况数据，具体步骤包括：

1.预先通过大疆移动端软件开发套件MSDK(Mobile Software Development Kit)在无人机遥控器上进行APP开发，进而可以通过MOP模块接收Onboard SDK发送的风况数据，并通过MOP模块将风况数据发送给遥控终端。

2.遥控终端将接收到的风况数据显示在操作界面上，以提醒操作者当前无人机飞行环境的风速和风向角，图6示出了一种遥控终端操作界面对风况数据进行可视化的示例图。

接下来将以具体实例说明本申请的应用过程，参照图7，本申请实施例提供了一种预测风速和风向的整体示例流程图。

具体地，本申请实施例可以包括以下内容：

1.数据预处理，图8示出了数据预处理的流程示意图。

1.1获取数据(数据来源)。

无人机的机载电脑端通过OSDK获取无人机传感器测得的测量数据，测量数据包括：

通过无人机的IMU(Inertial Measurement Unit)获取的无人机加速度数据和姿态数据；

通过无人机的视觉系统和IMU融合获取的无人机的对地加速度数据；

通过无人机的数字电调协议DSHOT(Digital Shot)获取的无人机的电机转速。

1.2数据优化。

由于传感器存在噪声以及偏差值，需要对传感器获得的数据进行优化处理。本申请实施例可以采取最小二乘法对加速度进行最优化处理。优化的数据来源是无人机的对地加速度和DSHOT获得的电机转速，优化的目标结果是优化后的对地加速度和电机推力。

目标优化值设为y，优化矩阵为R，待优化值为x。本步骤中优化加速度和电机转速：当x为悬停加速度，对应的y为重力加速度；当x为电机转速向量，对应的y为无人机重力。

采用最小二乘法优化出最小的矩阵R，满足Rx-y最小的条件：

取飞行过程中的500组数据，采用随机梯度下降法(SGD)对上式进行最优化；

每一次优化过程中的损失为：

得到梯度：

G＝2(Rx-y)x^T

每一次更新的优化矩阵R为：

R＝R-lG

其中，l为学习率。

通过500次迭代使梯度最小化时的R即为所求优化矩阵R。

通过R乘以数据点x即可得到最优化之后的加速度以及电机推力：

其中，当x为悬停加速度时，表示优化后的对地加速度，当x为电机转速向量时，表示优化后的电机转速。

1.3基于非线性扰动观测器的外力观测模型。

建立起无人机的平移、旋转动力学方程，建立起无人机在外力作用下的动力学方程，分别如下：

代表无人机位置的二阶微分，也即是加速度，/>代表角度的一阶微分角速度，/>代表角度的二阶微分角加速度。m和J(η)是无人机质量和转动惯量矩阵。ρ是无人机电机提供的推力，/>代表无人机电机提供的力矩。/>是科氏力矩阵。R(η)是无人机的姿态矩阵。e₃是无人机机体坐标系z轴基准向量。g₀是重力加速度系数。f_e和τ_e分别代表外界扰动的等效外力和外力矩。

将上述方程写作拉格朗日形式为：

其中q是状态输入项，包含了x_b和η。为系数项矩阵。/>是控制输入项，包含了μ和/>

设计合理的NDOB观测项

根据上述公式得到无人机风扰动的三轴外力与外力矩观测方程，分别如下：

通过观测方程，得到三轴扰动力和扰动力矩。

2.离线训练阶段。

离线训练“输入状态-输出状态”映射关系步骤如下：

主要包含两个风况预估模型的训练：“三轴扰动力-风速风向”函数映射关系；“优化数据-风速风向”预测网络。

无人机在风洞中保持悬停稳定状态，不断改变风的速度和无人机受风角度(风洞中可以完全确定这两个变量)，无人机此时会调整姿态以及调整电机推力。此时获取到不同风况下无人机对应的各传感器的输出量，经过上述1.2的数据优化方式后得到优化后的输入状态数据。之后计算出1.3中NDOB模型所需要的三轴扰动力。

2.1将测量数据作为11维输入(姿态4维、电机转速4维、对地加速度3维)，风况数据作为2维输出，通过单层全连接神经网络FCNN(Full Connect Neural Network)得到“优化数据-风速风向”预测网络，神经网络预测网络的结构图及训练步骤如图9所示。

2.2将三轴扰动力作为3维输入，风况数据作为2维输出，通过插值映射的方式得到“三轴扰动力-风速风向”函数映射关系，该函数映射关系的结构图及训练步骤如图10所示。

3.在线识别阶段。

无人机在外界的未知风况下飞行，该风况会让无人机调整为对抗该风况的姿态，此时机载电脑端根据预处理数据获取方法，获取到当前无人机的测量数据；根据预处理优化流程，将测量数据优化得到优化数据。

3.1实时风场特征的计算。

根据预处理计算流程将优化数据计算得到三轴扰动力，根据需求选择送入到上述2.1或2.2的“三轴扰动力-风速风向”所提到的模型中去，得到预估的风况数据A；

同理将测量数据送入“优化数据-风速风向”预测网络，得到预估的风况数据B。

3.2跨平台通信。

根据OSDK端编写的MOP(Mobile-Onboard-Payload)模块将风况数据A或B发送给遥控器接收端，具体流程图如图11所示。

4.遥控器显示风况数据。

通过大疆移动端软件开发套件MSDK(DJI Mobile Software Development Kit)在无人机带屏遥控器上进行APP开发，通过MOP模块接收OSDK发送的预估风况数据；将接收到的预估风况数据显示在遥控器操作界面，用以提醒操作人员当前无人机飞行环境的风速和风向角；MSDK接收风况数据后，通过MSDK显示控件将风况数据显示在其带屏遥控器APP上，具体流程图如图12所示。

本申请的系统不需要额外安装多余的传感器或者测量设备，只需要无人机中最常见的传感器(IMU、DSHOT电调)即能完成预定任务，随着传感器设备的增加能够获得更好的效果。

此外本申请的方法仅消耗极少量的计算资源，不需要实时联网便能够随时计算出当前的风速和风向角。预测结果更加平滑稳定，对于变化的风速的估计结果具有更好的分辨率，同时具有更高的识别准确率。

在无人机处于非稳定状态下飞行时，也可以保障计算结果有较高的精度。并且风况的数据能够实时显示在遥控器APP界面上，辅助操作者进行判断和控制。

参照图13，本申请实施例提供了一种风速和风向的预测装置，包括：

第一单元，用于获取无人机传感器测得的目标测量数据；所述目标测量数据包括无人机的目标对地加速度、目标姿态以及目标电机转速；

第二单元，用于对所述目标测量数据进行数值优化，得到目标优化数据；

第三单元，用于将所述目标优化数据输入至预先构建的非线性扰动观测器，得到外界风力的目标三轴扰动力；

第四单元，用于将所述目标测量数据输入至经过预先训练的风况预测模型，得到第一预测风况数据；

第五单元，用于将所述目标三轴扰动力输入至经过预先训练的风况拟合模型，得到第二预测风况数据；

其中，所述第一预测风况数据包括第一预测风速和第一预测风向，所述第二预测风况数据包括第二预测风速和第二预测风向。

该预测装置的具体实施方式与上述预测方法的具体实施例基本相同，在此不再赘述。

本申请实施例还提供了一种电子设备，电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述预测方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。

具体地，电子设备可以是用户终端，也可以是服务器。

本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述预测方法。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本申请的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。

此外，虽然在功能性模块的背景下描述了本申请，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本申请是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本申请。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本申请的范围，本申请的范围由所附权利要求书及其等同方案的全部范围来决定。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台电子设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。

计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本申请的实施例，本领域的普通技术人员可以理解：在不脱离本申请的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本申请的范围由权利要求及其等同物限定。

以上是对本申请的较佳实施进行了具体说明，但本申请并不限于所述实施例，熟悉本领域的技术人员在不违背本申请精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种风速和风向的预测方法，其特征在于，包括：

获取无人机传感器测得的目标测量数据；所述目标测量数据包括无人机的目标对地加速度、目标姿态以及目标电机转速；

对所述目标测量数据进行数值优化，得到目标优化数据；

将所述目标优化数据输入至预先构建的非线性扰动观测器，得到外界风力的目标三轴扰动力；

将所述目标测量数据输入至经过预先训练的风况预测模型，得到第一预测风况数据；

将所述目标三轴扰动力输入至经过预先训练的风况拟合模型，得到第二预测风况数据；

其中，所述第一预测风况数据包括第一预测风速和第一预测风向，所述第二预测风况数据包括第二预测风速和第二预测风向。

2.根据权利要求1所述的一种风速和风向的预测方法，其特征在于，所述获取无人机传感器测得的目标测量数据；所述目标测量数据包括无人机的目标对地加速度、目标姿态以及目标电机转速，包括：

通过无人机的惯性测量单元获取无人机的加速度数据和所述目标姿态；

通过无人机的视觉系统和所述惯性测量单元对所述加速度数据进行融合，得到所述目标对地加速度；

根据无人机的数字电调协议获取所述目标电机转速。

3.根据权利要求1所述的一种风速和风向的预测方法，其特征在于，所述对所述目标测量数据进行数值优化，得到目标优化数据，包括：

采用最小二乘法确定优化矩阵，当满足Rx-y最小的条件时，对应的第一表达式如下：

其中，R表示所述优化矩阵，x表示无人机的悬停加速度或电机转速向量，当x为悬停加速度时，y表示重力加速度，当x为电机转速向量时，y表示无人机重力；

获取预先测得的多组测量数据，每组测量数据包括对地加速度、姿态以及电机转速；

结合多组测量数据并采用随机梯度下降法对所述第一表达式进行最优化，根据第二表达式确定每一次优化过程中的损失并得到梯度对应的第三表达式，第二表达式为：

第三表达式为：

G＝2(Rx-y)x^T

每一次更新的优化矩阵为：

R-R—lG

其中，G表示梯度，l表示学习率；

利用所述多组测量数据迭代求得梯度最小化时的优化矩阵，并将梯度最小化时的优化矩阵与悬停加速度或电机转速向量相乘，得到对应的优化值，相乘表达式如下：

其中，当x为悬停加速度时，表示优化后的对地加速度，当x为电机转速向量时，/>表示优化后的电机转速。

4.根据权利要求1所述的一种风速和风向的预测方法，其特征在于，所述将所述目标优化数据输入至预先构建的非线性扰动观测器，得到外界风力的目标三轴扰动力，包括：

建立无人机的平移和旋转动力学的表达式，作为第四表达式：

建立无人机在外力作用下的动力学表达式，作为第五表达式：

其中，表示目标对地加速度，/>表示风向角度的一阶微分角速度，/>代表风向角度的二阶微分角加速度；m和J(η)分别表示无人机的质量和转动惯量矩阵；ρ表示无人机电机提供的推力，/>表示无人机电机提供的力矩；/>表示科氏力矩阵；R(η)表示无人机的姿态矩阵；e₃表示无人机机体坐标系z轴基准向量；g₀表示重力加速度系数；f_e和τ_e分别表示外界扰动的等效外力和外力矩；

将所述第四表达式和第五表达式变换为拉格朗日形式，得到第六表达式：

其中，q表示状态输入项，其包括x_b和η；表示系数项矩阵；表示控制输入项，包括ρ和/>

确定非线性扰动观测器的观测项，所述观测项为：

根据第六表达式和所述观测项确定无人机风扰动的三轴外力表达式与外力矩观测表达式；

所述三轴外力表达式为：

所述外力矩观测表达式为：

根据所述三轴外力表达式与外力矩观测表达式确定所述目标三轴扰动力。

5.根据权利要求1所述的一种风速和风向的预测方法，其特征在于，所述方法还包括训练所述风况预测模型的步骤，所述训练所述风况预测模型的步骤包括以下步骤：

获取无人机传感器在不同风速和不同风向下测得的训练数据，所述训练数据包括无人机的训练对地加速度、训练姿态以及训练电机转速；

对所述训练数据进行数值优化，得到训练优化数据；

将所述训练优化数据转换为11维数据并作为训练样本，将第一训练预测风况数据作为训练标签，训练由单层全连接神经网络构建得到的风况预测模型，得到训练后的风况预测模型；

其中，所述11维数据由训练姿态的4维数据、训练电机转速的4维数据以及训练对地加速度的3维数据组成，所述第一训练预测风况数据为2维数据，由训练预测风速的1维数据和训练预测风向的1维数据组成。

6.根据权利要求1所述的一种风速和风向的预测方法，其特征在于，所述方法还包括训练所述风况拟合模型的步骤，所述训练所述风况拟合模型的步骤包括以下步骤：

获取无人机传感器在不同风速和不同风向下测得的训练数据，所述训练数据包括无人机的训练对地加速度、训练姿态以及训练电机转速；

对所述训练数据进行数值优化，得到训练优化数据；

将所述训练优化数据输入至预先构建的非线性扰动观测器，得到外界风力的训练三轴扰动力；

将所述训练三轴扰动力作为3维数据输入至预先构建的风况拟合模型，在所述风况拟合模型中进行扰动力与风速的插值映射，并进行扰动力与风向的插值映射，训练所述风况拟合模型得到三轴扰动力与风速风向的函数映射关系，训练后的所述风况拟合模型输出第二训练预测风况数据，所述第二训练预测风况数据为2维数据，由训练预测风速的1维数据和训练预测风向的1维数据组成。

7.根据权利要求1至6任一项所述的一种风速和风向的预测方法，其特征在于，所述方法还包括：

将所述第一预测风况数据和/或所述第二预测风况数据发送至所述无人机的遥控终端，以供所述遥控终端对所述第一预测风况数据和/或所述第二预测风况数据在操作界面上进行可视化展示。

8.一种风速和风向的预测装置，其特征在于，包括：

第一单元，用于获取无人机传感器测得的目标测量数据；所述目标测量数据包括无人机的目标对地加速度、目标姿态以及目标电机转速；

第二单元，用于对所述目标测量数据进行数值优化，得到目标优化数据；

第三单元，用于将所述目标优化数据输入至预先构建的非线性扰动观测器，得到外界风力的目标三轴扰动力；

第四单元，用于将所述目标测量数据输入至经过预先训练的风况预测模型，得到第一预测风况数据；

第五单元，用于将所述目标三轴扰动力输入至经过预先训练的风况拟合模型，得到第二预测风况数据；

其中，所述第一预测风况数据包括第一预测风速和第一预测风向，所述第二预测风况数据包括第二预测风速和第二预测风向。

9.一种风速和风向的预测系统，其特征在于，包括无人机和遥控终端；

其中，所述无人机的顶端设置有机载电脑，所述机载电脑用于执行如权利要求1至7任一项所述的一种风速和风向的预测方法；

所述无人机的下方设置有圆筒，所述圆筒与所述无人机重心处沿重力方向的轴线重合，所述圆筒与所述无人机连接的一端设置有多个螺丝孔，通过多个螺丝将所述圆筒固定连接在所述无人机的下方，所述圆筒的顶面和地面为光滑平面，整体为中空的圆柱体；

所述遥控终端用于响应于操作者并生成控制指令，进而根据所述控制指令控制所述无人机；所述遥控终端设置有操作界面，所述操作界面用于将所述遥控终端从所述机载电脑接收到的预测风速和/或预测风向进行可视化展示。

10.根据权利要求9所述的一种风速和风向的预测系统，其特征在于，所述圆筒的侧面设置有网格状凹凸的图案，以增加风阻。